书签 分享 收藏 举报 版权申诉 / 9
立即下载 加入VIP,免费下载
当前位置： 首页 > 物理 > 计算；推算；计数 > 一种基于加权局部图像熵的小目标红外图像处理方法.pdf

一种基于加权局部图像熵的小目标红外图像处理方法.pdf

  • 上传人：00****42
  • 文档编号：4684730
  • 上传时间：2018-10-27
  • 格式：PDF
  • 页数：9
  • 大小：1.63MB
    • 摘要
    申请专利号：

    CN201410554115.5

    		 申请日：

    2014.10.17
    公开号：

    CN104268844A

    		 公开日：

    2015.01.07
    当前法律状态：

    授权

    		 有效性：

    有权
    法律详情：

    授权|||实质审查的生效IPC(主分类):G06T 5/20申请日:20141017|||公开
    IPC分类号：

    G06T5/20

    		 主分类号：

    G06T5/20
    申请人：

    中国科学院武汉物理与数学研究所
    发明人：

    周欣; 邓鹤; 孙献平; 叶朝辉; 刘买利
    地址：

    430071 湖北省武汉市武昌区小洪山西30号
    优先权：

    专利代理机构：

    武汉宇晨专利事务所 42001

    		 代理人：

    李鹏;王敏锋
    PDF完整版下载： PDF下载
    内容摘要

    本发明为有效处理低信噪比复杂背景下的小目标红外图像，公开了一种基于加权局部图像熵的小目标红外图像处理方法，涉及数字图像处理技术领域。本发明利用小目标红外图像的内在特点，提出多尺度灰度差异算子和局部图像熵算子，然后通过点积运算获取加权局部图像熵，从而有效地抑制红外图像背景和噪声、增强目标，最终大幅度地提高图像的信噪比。

    权利要求书

    权利要求书
    1.  一种基于加权局部图像熵的小目标红外图像处理方法，其特征在于，包括以下步骤：
    步骤1、求解图像各个像素点(x,y)的多尺度灰度差异D；
    步骤2、求解图像各个像素点(x,y)的局部图像熵E；
    步骤3、通过多尺度灰度差异D和局部图像熵E获得各个像素点(x,y)的加权局部图像熵H；
    步骤4、根据加权局部图像熵H求解自适应阈值T，并通过自适应阈值T对加权局部图像熵H进行二值化，检测出红外小目标。

    2.  根据权利要求1所述的一种基于加权局部图像熵的小目标红外图像处理方法，其特征在于，所述的步骤1的多尺度灰度差异D通过以下步骤求解：
    步骤1.1、对于红外图像I中每一个像素点(x,y)对应的灰度值为I(x,y)，设置像素点(x,y)的最大邻域空间Ωmax，邻域空间Ωmax的大小为Lmax×Lmax，其中Lmax为大于1的正奇数；
    步骤1.2、获得每一个像素点(x,y)的邻域空间集{Ωk|k＝1,2,…,L}，其中L＝(Lmax-1)/2，Ωk的大小为(2·k+1)×(2·k+1)；
    步骤1.3、利用以下公式计算每一个像素点(x,y)的邻域Ωk与Ωmax之间的灰度差异Dk(x,y)，k＝1,2,…,L：
    Dk(x,y)=|1NΩkΣ(s,t)∈ΩkI(s,t)-1NΩmaxΣ(p,q)∈ΩmaxI(p,q)|2,k=1,2,...,L]]>
    其中，和分别表示邻域Ωk、Ωmax内像素点的数目，I(s,t)表示邻域Ωk内的点(s,t)处的灰度值，I(p,q)表示邻域Ωmax内的点(p,q)处的灰度值；
    步骤1.4、计算每一个像素点(x,y)所对应的的多尺度灰度差异D(x,y)：
    D(x,y)＝max{D1(x,y),D2(x,y),...,DL(x,y)}。

    3.  根据权利要求1所述的一种基于加权局部图像熵的小目标红外图像处理方法，其特征在于，所述的步骤2的局部图像熵E通过以下步骤求解：
    设定红外图像I中每一个像素点(x,y)的邻域空间Θ，邻域空间Θ的大小为m×n，计算像素点(x,y)处的局部图像熵:
    E(x,y)=-Σi=0m-1Σj=0n-1p(I(i,j))·log2(p(I(i,j))+ϵ),p(I(i,j))=I(i,j)Σi=0m-1Σj=0n-1I(i,j)]]>
    其中，ε是设定的正常数，I(i,j)表示邻域Θ内的点(i,j)处的灰度值，遍历红外图像I中每一个像素点，获得红外图像I的局部图像熵E。

    4.  根据权利要求1所述的一种基于加权局部图像熵的小目标红外图像处理方法，其特征在于，所述的步骤3的加权局部图像熵H通过以下步骤求解：
    对每一个像素点(x,y)经过步骤1处理所得到的多尺度灰度差异D与经过步骤2处理所得到的局部图像熵E进行点积运算，获得每一个像素点(x,y)对应的加权局部图像熵H。

    5.  根据权利要求1所述的一种基于加权局部图像熵的小目标红外图像处理方法，其特征在于，所述的自适应阈值T的通过以下公式进行确定：
    T＝c·SNR·σ+mm,SNR＝(Hmax-mm)/σ
    其中，c为正的常数，σ为加权局部图像熵H的标准差，mm为加权局部图像熵H的均值，Hmax为加权局部图像熵H的最大值。

    说明书

    说明书一种基于加权局部图像熵的小目标红外图像处理方法
    技术领域
    本发明涉及数字图像处理技术领域，具体是一种基于加权局部图像熵的小目标红外图像处理方法。
    背景技术
    小目标红外图像处理技术已在民用领域(如卫星大气红外云图分析、红外医疗图像病理分析、地质分析、海面人员搜救、入侵检测、森林火灾探测)和军事领域(如精确制导、预警探测、战地指挥和侦察、敌我识别)得到广泛应用，其目标检测步骤是红外图像处理领域的重点和难点，其性能好坏直接决定红外系统的有效作用距离及设备的复杂程度，因而该技术的研究受到了国内外众多学者持续而普遍的关注。
    小目标图像中的目标小、强度弱，没有先验的大小、形状及纹理等特征，且目标、背景和噪声混叠在一起，难以直接检测。然而，背景一般认为在空域上具有相关性，在时域上具有稳定性，且在频域上处于图像的低频部分，而目标通常认为在空域上与背景不相关，在频域上处于图像的高频部分。因此，小目标红外图像处理算法主要分为时间域、空间域和变换域三类：时域算法主要用于抑制具有短时平稳性的背景，但对复杂背景的抑制效果不理想。空域算法具有良好的实时性，易于实现。中值滤波只适合消除脉冲宽度小于滤波窗口的随机噪声，无法处理结构化的背景；顶帽变换是一种实用的非线性背景滤波技术，但需要图像的先验知识，自适应性不强；自适应滤波技术如二维最小均方误差滤波等算法，要求背景的统计特性不变或者缓慢变化，所以无法有效抑制复杂背景。变换域算法如基于自适应频率域巴特沃斯高通滤波、小波变换等，但此类算法来源于Fourier变换，受海森堡(Heisenberg)测不准原理的制约(即时间窗口与频率窗口的乘积为一个常数)，并且需要正反两次变换，算法运算量大。
    虽然小目标红外图像处理领域已取得了很多成果，并且已有很多算法在工程应用中得到了很好的实现，但对于复杂背景下低信噪比小目标红外图像，其目标 检测系统工程依然面临很大的难度和复杂性。如何设计出结构简单、滤波效果好、鲁棒性强的小目标红外图像处理算法是目标检测技术研究的关键问题。
    发明内容
    本发明是针对现有小目标红外图像处理方法存在的上述技术问题，提供了一种基于加权局部图像熵的小目标红外图像处理方法。
    一种基于加权局部图像熵的小目标红外图像处理方法，包括以下步骤：
    一种基于加权局部图像熵的小目标红外图像处理方法，包括以下步骤：
    步骤1、求解图像各个像素点(x,y)的多尺度灰度差异D；
    步骤2、求解图像各个像素点(x,y)的局部图像熵E；
    步骤3、通过多尺度灰度差异D和局部图像熵E获得各个像素点(x,y)的加权局部图像熵H；
    步骤4、根据加权局部图像熵H求解自适应阈值T，并通过自适应阈值T对加权局部图像熵H进行二值化，检测出红外小目标。
    如上所述的步骤1的多尺度灰度差异D通过以下步骤求解：
    步骤1.1、对于红外图像I中每一个像素点(x,y)对应的灰度值为I(x,y)，设置像素点(x,y)的最大邻域空间Ωmax，邻域空间Ωmax的大小为Lmax×Lmax，其中Lmax为大于1的正奇数；
    步骤1.2、获得每一个像素点(x,y)的邻域空间集{Ωk|k＝1,2,…,L}，其中L＝(Lmax-1)/2，Ωk的大小为(2·k+1)×(2·k+1)；
    步骤1.3、利用以下公式计算每一个像素点(x,y)的邻域Ωk与Ωmax之间的灰度差异Dk(x,y)，k＝1,2,…,L：
    Dk(x,y)=|1NΩkΣ(s,t)∈ΩkI(s,t)-1NΩmaxΣ(p,q)∈ΩmaxI(p,q)|2,k=1,2,...,L]]>
    其中，和分别表示邻域Ωk、Ωmax内像素点的数目，I(s,t)表示邻域Ωk内的点(s,t)处的灰度值，I(p,q)表示邻域Ωmax内的点(p,q)处的灰度值；
    步骤1.4、计算每一个像素点(x,y)所对应的的多尺度灰度差异D(x,y)：
    D(x,y)＝max{D1(x,y),D2(x,y),...,DL(x,y)}。
    如上所述的步骤2的局部图像熵E通过以下步骤求解：
    设定红外图像I中每一个像素点(x,y)的邻域空间Θ，邻域空间Θ的大小为m×n，计算像素点(x,y)处的局部图像熵:
    E(x,y)=-Σi=0m-1Σj=0n-1p(I(i,j))·log2(p(I(i,j))+ϵ),p(I(i,j))=I(i,j)Σi=0m-1Σj=0n-1I(i,j)]]>
    其中，ε是设定的正常数，I(i,j)表示邻域Θ内的点(i,j)处的灰度值，遍历红外图像I中每一个像素点，获得红外图像I的局部图像熵E。
    如上所述的步骤3的加权局部图像熵H通过以下步骤求解：
    对每一个像素点(x,y)经过步骤1处理所得到的多尺度灰度差异D与经过步骤2处理所得到的局部图像熵E进行点积运算，获得每一个像素点(x,y)对应的加权局部图像熵H。
    如上所述的自适应阈值T的通过以下公式进行确定：
    T＝c·SNR·σ+mm,SNR＝(Hmax-mm)/σ
    其中，c为正的常数，σ为加权局部图像熵H的标准差，mm为加权局部图像熵H的均值，Hmax为加权局部图像熵H的最大值。
    本发明与现有技术相比，具有以下优点：
    1.本发明利用了小目标红外图像中目标和背景的特点，不依赖于红外图像模型和参数选择，能有效地抑制红外图像背景和噪声，提高红外图像的信噪比，从而提高目标的检测概率，降低虚警概率。
    2.本发明首先构建红外图像的多尺度灰度差异图，能剔除大量的噪声干扰；其次通过点积运算获得加权局部图像熵，所得到的加权局部图像熵图具有很高的信噪比增益，能有效地抑制背景和噪声；然后利用自适应阈值检测目标，避免复杂背景条件下的图像处理不稳定和自适应性等问题。
    附图说明
    图1为本发明的流程框图。
    图2为采用本实施例1方法得到的处理结果示意图与现有技术算法的处理结果示意图的对比图。A为一幅海-空背景的小目标红外原始图像，B为采用多尺度灰度差异算子的滤波结果，C为采用局部图像熵算子的滤波结果，D为加权局部图像熵图，E为采用自适应阈值的检测结果。
    图3为采用现有技术和本实施例方法得到的红外图像处理结果示意图。(A_1)，(B_1)，(C_1)，(D_1)：依次为不同背景和噪声程度下的低信噪比小目标红外图像；(A_2)，(B_2)，(C_2)，(D_2)：依次对应于(A_1)，(B_1)，(C_1)，(D_1)的基于最大背景预测模型方法的滤波结果；(A_3)，(B_3)，(C_3)，(D_3)：依次对应于(A_1)，(B_1)，(C_1)，(D_1)的基于顶帽算子的滤波结果；(A_4)，(B_4)，(C_4)，(D_4)：依次对应于(A_1)，(B_1)，(C_1)，(D_1)的采用本实施例方法步骤1～步骤3的滤波结果；(A_5)，(B_5)，(C_5)，(D_5)：依次对应于(A_1)，(B_1)，(C_1)，(D_1)的基于本实施例方法的红外小目标检测结果。
    具体实施方式
    下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
    实施例1：
    图1为本方法主要包括以下步骤：图像输入，多尺度灰度差异算子求解，局部图像熵算子求解，点积运算，自适应阈值求解，二值化。
    具体为：
    步骤1，输入一幅红外图像，求解图像的多尺度灰度差异D：
    小目标红外图像一般由目标、背景和噪声三部分组成。小目标的成像尺寸一般小于80个像素，即小于256×256的0.12％，因而目标没有尺寸、形状和纹理等特征，但其在灰度值、频率和相关性等方面与背景、噪声存在差异。多尺度灰度差异算子(D)的核心思想是利用小目标红外图像中的目标区域与目标邻域之间的灰度差异性，通过差异性的度量以抑制背景、增强目标。
    红外图像I的多尺度灰度差异算子D的求解过程如下：
    (1)对于红外图像I中每一个像素点(x,y)，对应的灰度值为I(x,y)，设置像素点(x,y)的最大邻域空间Ωmax，邻域空间Ωmax的大小为Lmax×Lmax，其中Lmax为大于1的正奇数；
    (2)获得每一个像素点(x,y)的邻域空间集{Ωk|k＝1,2,…,L}，其中L＝(Lmax-1)/2，Ωk的大小为(2·k+1)×(2·k+1)；
    (3)计算每一个像素点(x,y)的邻域Ωk与Ωmax之间的灰度差异Dk(x,y)，k＝1,2,…,L：
    Dk(x,y)=|1NΩkΣ(s,t)∈ΩkI(s,t)-1NΩmaxΣ(p,q)∈ΩmaxI(p,q)|2,k=1,2,...,L---(1)]]>
    其中，和分别表示邻域Ωk、Ωmax内像素点的数目，I(s,t)表示邻域Ωk内的点(s,t)处的灰度值，I(p,q)表示邻域Ωmax内的点(p,q)处的灰度值。
    (4)计算每一个像素点(x,y)所对应的的多尺度灰度差异D(x,y)：
    D(x,y)＝max{D1(x,y),D2(x,y),...,DL(x,y)}       (2)
    遍历红外图像I中每一个像素点，获得红外图像I的多尺度灰度差异D(如图2的B所示)。从图2的B中可以看出，红外图像I的背景得到抑制，目标得到很好地增强。
    步骤2，求解图像的局部图像熵E:
    对于红外图像I的背景而言，纹理特征是确定的，当图像中出现目标时，图像的纹理特征被破坏，而小目标对于整幅图像的熵值贡献较小，但在局部窗口内，小目标的出现会引起局部纹理特征的强烈变化，因而其局部熵值也会发生较大变化。利用目标的出现会导致局部图像熵值发生较大变化这一特性可以抑制背景、增强目标。
    对于红外图像I中每一个像素点(x,y)，设置其邻域空间Θ，邻域空间Θ的大小为m×n。计算像素点(x,y)处的局部图像熵:
    E(x,y)=-Σi=0m-1Σj=0n-1p(I(i,j))·log2(p(I(i,j))+ϵ),p(I(i,j))=I(i,j)Σi=0m-1Σj=0n-1I(i,j)---(3)]]>
    其中，ε是预设的正常数，如ε＝10-6，I(i,j)表示邻域Θ内的点(i,j)处的灰度值。
    遍历红外图像I中每一个像素点，获得红外图像I的局部图像熵E(如图2的C所示)。图2的A中存在同质区域，根据最大熵原理，该区域的熵值较大，如图2的C所示的白色区域，但目标的出现引起图像局部区域的灰度特征发生变化，该灰度特征变化在图2的C中依然可见。
    步骤3，求解图像的加权局部图像熵H:
    红外图像I的多尺度灰度差异D(如图2的B所示)和局部图像熵E(如图2的C所示)均可实现对红外图像的背景抑制和目标增强。融合D和E，使得红外图像的背景得到进一步地抑制，目标得到进一步地增强。
    对每一个像素点(x,y)所对应的经过步骤1处理所得到的多尺度灰度差异D与经过步骤2处理所得到的局部图像熵E进行点积运算，获得每一个像素点(x,y)所对应的加权局部图像熵H，实现对红外图像的背景进一步地抑制和目标进一步地增强，即
    H=D⊗E---(4)]]>
    红外图像I的加权局部图像熵H如图2的D所示。从图2的D中可以看出，红外图像I的背景得到很好地抑制，目标也得到很好地增强。
    步骤4，求解自适应阈值T：
    对经过步骤1、步骤2和步骤3处理所得到的加权局部图像熵H求解自适应阈值T，并通过自适应阈值T对加权局部图像熵H进行二值化，检测出红外小目标(二值化结果如图2的E所示)。自适应阈值T的确定方法为
    T＝c·SNR·σ+mm,SNR＝(Hmax-mm)/σ            (5)
    其中，c为正的常数，σ为加权局部图像熵H的标准差，mm为加权局部图像熵H的均值，Hmax为加权局部图像熵H的最大值。
    采用不同红外图像处理方法的处理结果如图3所示，从图3中可以看出，本实施例方法得到的效果最好，其中，最大背景预测模型方法来自于文献(H.Deng and J.G.Liu,Infrared small target detection based on the self-information map,Infrared Physics&Technology,2011,54(2):100-107.)，顶帽算子方法来自于文献(X.Z.Bai and F.G.Zhou,Analysis of new top-hat transformation and the application for infrared dim small target detection,Pattern Recognition,2010,43(6):2145-2156.)。
    采用信噪比(SNR,signal-to-noise ratio)来客观评价不同红外图像处理方法的滤波效果(SNR的表达式参考式(5))。具体数值见表1。
    表1 采用不同红外图像处理方法的滤波效果的SNR比较.

    本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

    举报
    举报     版权申诉
    版权申诉     PDF格式文档无特别注明外均可编辑修改；预览文档经过压缩，下载后原文更清晰！ 立即下载
    关 键  词：
    一种 基于 加权 局部 图像 目标 红外 处理 方法
      专利查询网所有文档均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
    0条评论

    还可以输入200字符

    暂无评论，赶快抢占沙发吧。

    关于本文
    本文标题：一种基于加权局部图像熵的小目标红外图像处理方法.pdf
    链接地址：https://www.zhuanlichaxun.net/p-4684730.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    copyright@ 2017-2018 zhuanlichaxun.net网站版权所有
    经营许可证编号:粤ICP备2021068784号-1